xAI、音声対話モデルGrok Voice 2.0を発表
Introducing Grok Voice 2.0 Introducing our most capable speech-to-speech voice model. Jul 29, 2026
xAIは音声から音声へのモデルGrok Voice 2.0を発表した。Artificial Analysisの総合指標は82.9%で、Grok Voice 1.0の75.7%、GPT-Realtime-2.1 (High)の79.1%を上回る。料金は音声1分あたり$0.08で、2026年8月5日にgrok-voice-latestが2.0へ切り替わる。
Grok Voice 2.0は、推論、文字起こし精度、会話能力を強化した次世代の音声モデルである。Artificial AnalysisのSpeech-to-Speech指標では、Big Bench Audioが97.2%、τ-voice Benchが56.5%、Time to First Audioが0.70sだった。Full Duplex Benchは95.1%で、GPT-Realtime-2.1 (High)の95.7%をわずかに下回る。
文字起こしについては、24言語の短いフレーズ数千件で評価したとしている。Deepgram Nova 3とElevenLabs Scribe v2に対して1.5〜2.0倍、Grok Voice 1.0に対して1.4倍の改善で、騒音下では専用の音声認識モデルとの差が約10倍に広がるという。背景ノイズや電話回線の圧縮を想定した実環境での性能を重視したと説明している。
Grok Voiceのモデルは話しながら推論する特徴を持つ。2.0は推論トークンの効率が高く、1応答あたりの相対的な推論トークン量（P50）は1.0に対して0.4倍である。本番環境ではツール呼び出しがエージェントの最初の一文の終わる前に実行されることが多いという。強化学習により、文を短くし、質問は一度に一つにして、余計な言葉を避ける会話パターンに寄せたとしている。
移行は既存のプロンプトを変更せずにほぼ全ユースケースで性能向上が見込まれるとされる。Starlinkでの A/Bテストでは、販売のコンバージョン率とサポート完結率が大きく上昇した。2026年8月5日にgrok-voice-latestがGrok Voice 1.0からGrok Voice 2.0（grok-voice-2.0）へ移るが、アップグレードのための作業は不要である。
出典: xAI News · x.ai